基于双传声器和深度学习的变压器状态识别

针对单传感器状态识别算法存在漏检、误检的缺陷，文章提出一种基于双传声器和深度学习的变压器状态识别算法，即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号，通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取，并利用全连接层对特征进行融合，最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证，结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类，分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。